了解 sklearn 中 CountVectorizer 中的“ngram_range”参数

Question

我对如何在 Python 的 scikit-learn 库中使用 ngram 感到有些困惑，特别是 ngram_range 参数如何在 CountVectorizer 中工作。

运行此代码：

from sklearn.feature_extraction.text import CountVectorizer
vocabulary = ['hi ', 'bye', 'run away']
cv = CountVectorizer(vocabulary=vocabulary, ngram_range=(1, 2))
print cv.vocabulary_

给我：

{'hi ': 0, 'bye': 1, 'run away': 2}

我在哪里（显然是错误的）我会得到一元和二元的印象，就像这样：

{'hi ': 0, 'bye': 1, 'run away': 2, 'run': 3, 'away': 4}

我正在处理这里的文档：http://scikit-learn.org/stable/modules/feature_extraction.html

显然，我对如何使用 ngram 的理解存在严重错误。也许这个论点没有效果，或者我对实际的二元组有一些概念上的问题！我难住了。如果有人对我提出建议，我将不胜感激。

更新：
我已经意识到我的做法是愚蠢的。我的印象是ngram_range 会影响词汇，而不是语料库。

Answer 1

明确设置vocabulary 意味着不会从数据中学习词汇。如果你不设置它，你会得到：

>>> v = CountVectorizer(ngram_range=(1, 2))
>>> pprint(v.fit(["an apple a day keeps the doctor away"]).vocabulary_)
{u'an': 0,
 u'an apple': 1,
 u'apple': 2,
 u'apple day': 3,
 u'away': 4,
 u'day': 5,
 u'day keeps': 6,
 u'doctor': 7,
 u'doctor away': 8,
 u'keeps': 9,
 u'keeps the': 10,
 u'the': 11,
 u'the doctor': 12}

一个明确的词汇限制将从文本中提取的术语；词汇没有改变：

>>> v = CountVectorizer(ngram_range=(1, 2), vocabulary={"keeps", "keeps the"})
>>> v.fit_transform(["an apple a day keeps the doctor away"]).toarray()
array([[1, 1]])  # unigram and bigram found

（请注意，在提取 n-gram 之前应用了停用词过滤，因此 "apple day"。）